دانلود مقاله و خرید ترجمه:دسته بندی نوع خس خس کردن با استفاده از روش نسبت انرژی بهینه مبتنی بر تبدیل موجی غیردوتایی - 2019
دانلود بهترین مقالات isi همراه با ترجمه فارسی
مقالات ترجمه شده برق مخابرات ( Electrical engineering telecommunications )
  • Wheeze type classification using non-dyadic wavelet transform based optimal energy ratio technique دسته بندی نوع خس خس کردن با استفاده از روش نسبت انرژی بهینه مبتنی بر تبدیل موجی غیردوتایی
    دانلود مقاله | مقاله انگلیسی رایگان | خرید ترجمه فارسی مقاله

    سال انتشار:

    2019


    ترجمه فارسی عنوان مقاله:

    دسته بندی نوع خس خس کردن با استفاده از روش نسبت انرژی بهینه مبتنی بر تبدیل موجی غیردوتایی


    عنوان انگلیسی مقاله:

    Wheeze type classification using non-dyadic wavelet transform based optimal energy ratio technique


    منبع:

    Sciencedirect - Elsevier - Computers in Biology and Medicine 104 (2019) 175–182


    نویسنده:

    Sezer Ulukaya, Gorkem Serbes, Yasemin P: Kahya


    چکیده انگلیسی:

    Background and objective: Wheezes in pulmonary sounds are anomalies which are often associated with obstructive type of lung diseases. The previous works on wheeze-type classification focused mainly on using fixed time-frequency/scale resolution based on Fourier and wavelet transforms. The main contribution of the proposed method, in which the time-scale resolution can be tuned according to the signal of interest, is to discriminate monophonic and polyphonic wheezes with higher accuracy than previously suggested time and timefrequency/scale based methods.
    Methods: An optimal Rational Dilation Wavelet Transform (RADWT) based peak energy ratio (PER) parameter selection method is proposed to discriminate wheeze types. Previously suggested Quartile Frequency Ratios, Mean Crossing Irregularity, Multiple Signal Classification, Mel-frequency Cepstrum and Dyadic Discrete Wavelet Transform approaches are also applied and the superiority of the proposed method is demonstrated in leave-oneout (LOO) and leave-one-subject-out (LOSO) cross validation schemes with support vector machine (SVM), k nearest neighbor (k-NN) and extreme learning machine (ELM) classifiers.
    Results: The results show that the proposed RADWT based method outperforms the state-of-the-art time, frequency, time-frequency and time-scale domain approaches for all classifiers in both LOO and LOSO cross validation settings. The highest accuracy values are obtained as 86% and 82.9% in LOO and LOSO respectively when the proposed PER features are fed into SVM.
    Conclusions: It is concluded that time and frequency domain characteristics of wheezes are not steady and hence, tunable time-scale representations are more successful in discriminating polyphonic and monophonic wheezes when compared with conventional fixed resolution representations.
    Keywords: Respiratory sounds | Pulmonary sounds | Discrimination | Wheezing | Monophonic | Polyphonic


    چکیده فارسی:

    پیش زمینه و هدف: خس خس کردن در صداهای ریوی، اختلالی است که اغلب با نوع انسدادی بیماری های ریوی همراه است. کارهای قبلی روی دسته بندی انواع خس خس کردن ها اساسا" روی استفاده از دقت زمانی – بسامدی/ مقیاسی ثابت برمبنای تبدیلات فوریه و موجی متمرکز بودند. سهم اصلی روش پیشنهادی که در آن دقت زمانی – بسامدی می تواند برطبق سیگنال موردنظر میزان سازی شود، متمایزسازی خس خس کردن های تک صدایی و چند صدایی با دقتی بالاتر از روشهای قبلا" پیشنهاد شده ی مبتنی بر زمان و زمان – بسامد/ مقیاس می باشد.
    روشها: یک تبدیل موجی بهینه اتساعی منطقی (RADWT) برمبنای روش انتخاب پارامتر نسبت پیک انرژی (PER)، برای متمایزسازی انواع خس خس کردن ها پیشنهاد می شود. از نسبت های بسامد چارکی قبلا" پیشنهاد شده، بی نظمی تقاطعی میانگین، دسته بندی چندگانه سیگنال، سپستروم بسامدی و دیدگاههای تبدیل موجی گسسته دوتایی نیز استفاده شد و برتری روش پیشنهادی در طرح های اعتبارسنجی تقاطعی LOO و LOSO با دسته بندی کننده های ماشین بردار پشتیبان (SVM)، نزدیکترین همسایه k (k-NN) و ماشین یادگیری کرانی (ELM) نشان داده می شود.
    نتایج: نتایج نشان می دهند که روش پیشنهادی مبتنی بر RADWT برای همه دسته بندی کننده ها هم در شرایط اعتبارسنجی تقاطعی LOO و هم در LOSO، نسبت به دیدگاههای پیشرفته زمانی، بسامدی، زمانی – بسامدی و دامنه مقیاس زمانی، برتری دارد. وقتی که مشخصه های پیشنهاد شده PER به داخل SVM وارد شوند، بالاترین مقدار دقت در LOO و LOSO به ترتیب برابر با 86 و 9/82 درصد به دست آمد.
    نتیجه گیری: این نتیجه گرفته می شود که خصوصیات زمانی و دامنه بسامدی خس خس کردن ها پایدار نیستند و از این رو نمایش های تنظیم پذیر مقیاس زمانی در متمایزسازی خس خس کردن های تک صدایی و چند صدایی درمقایسه با نمایش های سنتی دارای دقت ثابت، موفق تر هستند.
    کلیدواژه ها: صداهای ریه | صداهای تنفسی | متمایزسازی | خس خس کردن | تک صدایی | چند صدایی


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 8
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 29

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 1062 کیلوبایت


    قیمت: 29000 تومان    23200 تومان (20 % تخفیف)


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi